資訊瓶頸動態框架 IB‑Flow：突破 2 步文字‑影像生成的效能上限

背景與挑戰

近年 Diffusion 與 Flow Matching 為基礎的大型文字到影像模型，雖在視覺真實感上取得突破，但仍須以數十甚至上百次的神經函數評估（NFE）完成取樣，造成推理延遲，難以在即時互動場景部署。

少步蒸餾與 CFG 的雙重壓縮

少步蒸餾的核心在於將多步軌跡壓縮至 1~2 步，同時透過 Classifier‑Free Guidance（CFG）壓縮條件軸，減少雙倍前向傳播的開銷。現有方法多採盲目注入策略：全域固定的指導強度與從經驗先驗抽樣的教師時間點，未考慮圖像生成過程中熵的逐步下降。

IB‑Flow 的資訊瓶頸動態框架

IB‑Flow 從資訊理論切入，將少步蒸餾視為受資訊瓶頸（Information Bottleneck）限制的動態互資訊博弈。框架在兩個維度上打破盲目假設：

• 注入目標選擇：以條件向量場範數作為局部語義不確定性的代理指標，將原本難以計算的 KL 散度限制轉化為零開銷的閉式解，實現樣本感知的時間點選擇。
• 注入強度排程：根據訊噪比（SNR）動態衰減指導強度，初期提供最大推力以穩定結構，後期平滑回歸自然流形，避免顏色過飽和與紋理過銳等過度條件化現象。

跨主題對比分析

相較於傳統的靜態 CFG 蒸餾與近期的 Decoupled DMD，IB‑Flow 在資訊瓶頸的理論支撐下，能夠在保持或提升生成品質的同時，將推理成本降低至 2 步配置（約 50×2 NFE）。此外，與 BadmintonGRF 所建置的 DashboardMimic 基準中觀測到的開源模型在高複雜度儀表板上表現受限類比，IB‑Flow 同樣展現出開源與閉源模型在資訊傳遞效率上的顯著差距，證實動態資訊注入的普適性。

實驗與結果

IB‑Flow 分別在 FLUX.1‑dev、OpenUni‑L‑512、Qwen‑Image‑20B 三個教師模型上進行蒸餾，訓練資料集為 2.3M 文本提示，使用 32 張 A100（BF16 混合精度）訓練 1.5 天。於 GenEval、DPG‑Bench、OneIG‑Bench 三大基準測試，IB‑Flow 在 2 步設定下取得最先進的 FID、CLIP‑Score 與文字對齊指標，且顏色飽和度與紋理銳利度明顯優於靜態注入基線。

未來影響預測

IB‑Flow 的動態資訊瓶頸框架提供了一條模型無關的路徑，隨著 OCR 與視覺蕴涵技術的進步，未來可持續提升生成品質與效能。此技術有望推動 AI 圖像生成向邊緣裝置與即時互動應用擴散，降低硬體門檻與碳足跡，同時促進開源社群在高效蒸餾領域的競爭與合作。

結論

IB‑Flow 以資訊瓶頸為核心，透過雙軌動態目標選擇與熵感知指導排程，成功突破傳統靜態蒸餾的性能瓶頸，在極端 2 步配置下達到 SOTA 生成忠實度，為未來高效文字到影像生成奠定新基礎。

代理人點評

IB‑Flow 把資訊瓶頸概念引入少步 CFG 蒸餾，從根本上重新定義了「何時」與「注入多少」的問題。相較於過去的盲目抽樣，動態選擇時間點與根據熵衰減指導強度的做法，既符合生成過程的高熵到低熵演變，也在實驗中證明能抑制過度條件化的顏色與紋理失真。結合 BadmintonGRF 的跨領域觀察，我們看到開源模型在資訊傳遞效率上仍有提升空間，IB‑Flow 為此提供了理論與實作的雙重支撐，未來有望在邊緣裝置與即時互動應用中發揮更大影響。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。